CN114243727A - 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 - Google Patents
一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 Download PDFInfo
- Publication number
- CN114243727A CN114243727A CN202111570291.4A CN202111570291A CN114243727A CN 114243727 A CN114243727 A CN 114243727A CN 202111570291 A CN202111570291 A CN 202111570291A CN 114243727 A CN114243727 A CN 114243727A
- Authority
- CN
- China
- Prior art keywords
- power
- model
- energy
- control
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000005457 optimization Methods 0.000 title claims abstract description 100
- 230000008447 perception Effects 0.000 title claims abstract description 44
- 230000033228 biological regulation Effects 0.000 title claims abstract description 31
- 238000010248 power generation Methods 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 56
- 239000003795 chemical substances by application Substances 0.000 claims description 40
- 239000007789 gas Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000013499 data model Methods 0.000 claims description 12
- 230000035699 permeability Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 230000018109 developmental process Effects 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005206 flow analysis Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 230000012010 growth Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000010076 replication Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000005096 rolling process Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 12
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，该方法包括基于观测器的状态诊断方法、基于态势感知的源网荷分布式控制方法、源网荷时间尺度智能调控能量管理方法；基于观测器的状态诊断方法、基于态势感知的源网荷分布式自趋优控制方法对源网荷自趋优智能调控体系和实时控制优化技术方法提供支持。本发明适用于复杂网络系统，包含但不限于电力系统的复杂网络理论及可视化数据挖掘算法，发明目的是基于泛在物联，实现清洁能源宽频测量、广域感知、发电能力预测和实时控制技术，建立面向区域能源互联网的源、网、荷广泛互联、友好互动的智慧电网运行控制系统和支撑能源市场的智能调控体系。
Description
技术领域
本发明属于能源系统管理、优化与控制技术领域，具体涉及一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法。
背景技术
新型电力系统建设需要以电网侧智能化为基础，同时推进电源侧清洁化和用户侧电气化发展，其实现手段必然以电力为中心，同时兼顾清洁低碳高效和数字智能互动的目标。然而，随着可再生能源的大量开发利用，全国范围内大量电网已初步形成传统能源发电与可再生能源发电并存、集中式发电与分布式发电协调发展的格局。尤其是用户侧从单一负荷逐步转变为集成多类型分布式电源和多元储能高级形式，是一种具有极高经济价值的电网灵活性调节资源。
然而，传统上用户侧的分布式能源不参与系统控制，导致电力系统的惯量降低，频率控制和动态调压能力不足；分布式能源波动性大、难于准确预测，集中式的优化调度无法适应这种强不确定性，分散分布的分布式能源与大电网相互之间未能形成互补协调机制。
开放互动是新型电力系统的重要特征之一，充分利用用户侧的多种类型分布式能源，利用市场化和信息化手段提升电网控制灵活性，是解决“源、网、荷”资源灵活互动的重要途径，具有“安全-经济-低碳”的特征，在未来将面临非常广阔的市场应用前景和发展契机。
为此，基于广域态势感知的综合能源能效评价与控制性能优化方法解决难题的关键突破点。
发明内容
本发明提供一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，包含但不限于电力系统的复杂网络理论及可视化数据挖掘算法，发明目的是基于泛在电力物联网，实现清洁能源宽频测量、广域感知、发电能力预测和实时控制技术，建立源、网、荷广泛互联、友好互动的智慧电网运行控制系统和支撑能源市场的智能调控体系。
为了实现上述目的，本发明采取的技术方案如下：
一种基于广域态势感知的综合能源能效评价与控制性能优化方法，该方法包括基于机理模型与数据驱动结合的源网源荷广域态势感知方法、基于态势感知的边缘节点计算方法以及综合能源能效与控制性能评价方法；
基于源网源荷广域态势感知方法和边缘节点计算方法对综合能源能效与控制性能评价方法提供支持。
作为本发明的进一步改进，所述基于机理模型与数据驱动结合的源网源荷广域态势感知方法包括：
面向能源互联网的多时间尺度电能管理控制架构建模，针对分布式能源渗透率较高的特点，考虑分布式多类型能源与工业、居民负荷的外特性功能模型，同时考虑含输电线路模型、天然气网络模型、微电网电力电子模型和工业、居民负荷模型在内的综合能源互联网模型，分析相关模型对能源互联网的系统稳定性的影响。
综合能源系统中火力发电系统和燃气轮机机组的关联建模、可控性及量化分析，提出燃气轮机综合能源微电网参与火力发电网源协调控制调频控制架构建模并分析其影响，以及智能微电网参与火力发电网源协调预测控制算法研究与验证；
数据驱动建模的态势感知，收集包括居民用电数据、采暖数据、热点事件及气象数据历史数据，并拟合各个因素和用电侧需求负荷的目标函数；针对被控对象或者设备，建立面向对象的信息融合数据模型；针对面向对象的信息融合数据模型，确定正常状态下的正常数据波动区间；采用在线辨识建模或者大数据模型，实时或者离线判断被控对象或者设备当前数据波动区间与正常数据波动区间的偏离程度，即为态势感知。
作为本发明的进一步改进，燃气轮机等综合能源微电网参与火力发电网源协调控制调频控制架构建模并分析其影响的过程如下：首先，结合传统燃煤火力发电机组协调控制系统的频率特性和电力系统负荷特性，系统地分析电网调频仿真模型中的区域等效方法，构建常规电力系统调频的区域等效模型；研究控制通信网络架构和协调控制系统异质、分散的特点，构建含可再生能源补充的火力发电的本地控制通信设备的环网通信架构模型，完成数据监控、经济调度计划、潮流分析、频率和电压的稳定、自我的发电计划、实时监测功能的基础理论验证；互联电力系统的一次、二次调频控制环中的供需平衡均由发电机、负荷和联络线交换功率三部分组成；构建发电机组一次、二次调频控制所需的频率响应模型的关键是调速系统及原动机的建模；火电机组在调速系统和原动机的结构上具有一次调频、二次调频控制环；除此之外，还需要对系统的负荷以及控制区域之间的联络线进行考虑；将机组、负荷、联络线以及一次、二次调频控制环分别建模，按照其实际电力系统中的结构关系组合便可以得到电力系统的调频动态模型；
其次，针对燃气轮机、光伏、风电等分布式能源、需求侧响应等渗透率较高的特点，考虑分布式能源与负荷的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对自趋优配电网的系统稳定性的影响。
作为本发明的进一步改进，所述智能微电网参与火力发电网源协调预测控制算法研究与验证过程如下：提出智能微电网参与火力发电网源协调预测控制体系，该体系为分层分布式框架结构，包括上层的区域协调控制器及下层本地调频控制器；在区域协调控制器中引入，以互联电力系统和电池储能电源的系统动态模型为基础，通过建立电池储能电源、调频控制输入量与频率及联络线功率预测量的关系，构造以输出误差与控制增量加权为目标函数，以火电机组、微电网、联络线调节能力为约束条件的优化模型；而各区域的本地调频控制器接受上层控制器的指令，即能对系统的频率及联络线功率偏差进行校正。
作为本发明的进一步改进，态势感知具有异常检测及通过时序分析对异常进行排序功能。
作为本发明的进一步改进，基于态势感知的边缘节点计算方法是基于大数据和分布式计算的边缘计算节点镜像，镜像系统由VMWare+Ubuntu+PaddlePaddle+Mahout+Docker多种平台集成的可复制环境实现，按级别需要设置成为分布式计算节点，分布式计算节点是高性能芯片FGPA或者神经网络芯片或者高性能服务器。
作为本发明的进一步改进，所述基于态势感知的边缘节点计算方法包括：
数据校验预处理方法
建立传递函数模型，并对所述传递函数进行性能精度校验，得到最优传递函数模型；
根据控制原理，确定源网荷协调控制响应特性为响应时间；
通过ESO将实测信号分解成线性信号和扰动信号两部分，其中线性信号可以辨识得到传递函数模型，通过鲁棒性算法计算系统鲁棒性能，同时通过时序分析对异常进行排序，追踪度量数据中依赖项之间的变化趋势，锁定综合能源互联网中设备、控制以及用能网络等的异常；
骨干度时间序列挖掘算法
提出了一个新的指标骨干度，并对电力数据概念进行重新定义，提出电力数据森林这一网络概念的可视化模型；如果联系如同树枝和树的联系，那么这样一个群落可以被看作是一棵树，一个电力数据网络可以看作一个数据森林，这个网络所包涵的强区域可以看作是一个电力数据区域的森林，而其他弱数据区域则被看作是灌木丛；根据这一假设，我们赋予电力数据网络生物学的特性，即电力数据森林；
边缘计算节点态势感知实现方法
按照电力森林模型理论，任何一个数据结合都可以看做边缘节点，那么在这个节点上增加高性能计算模块或者服务器，利用边缘计算节点镜像，部署分布式计算网络；每个节点实现骨干度时间序列算法以及异常锁定算法，实时计算各个边缘节点数据集合的依赖度，当数据集合的依赖度超过了阙值，那么就认定该节点发生了态势的变化，即为态势感知发生。
作为本发明的进一步改进，骨干度时间序列挖掘算法过程如下：首先将网源荷综合能源电力数据森林模型内所有数据按联系程度关系划分，定义为重叠能源数据集合和非重叠能源数据集合，非重叠能源数据集合内数据之间有比网源荷综合能源电力数据森林模型内其他集合中数据节点更多更好地链接关系，所有数据节点之间的链接关系定义为边；
定义膨胀度为网源荷综合能源电力数据森林模型内所有指向外面的边，与电力数据森林模型内内部边的总数的最小的比值；
给定一个电力数据网络无向图G(V，E)，该图有|V|个顶点和|E|条边，给定一个节点列表NL来保存电力数据网络内V中的顶点，把当前数据集合记为Ci，Ci邻接的数据的集合是
把Ci边界的集合记为
给定骨干列表BL来保存集合E中的骨干；
设一个集合G(V，E)，E为骨干度边界，目标集CF∈G；设定|NL|<＝|V|，BL中骨干度的边界为f，Ec_PRE定义为电力数据森林模型内的膨胀度，所有CF为骨干度目标集合，CF初始为空集，i＝0；BL按照降序排列。
作为本发明的进一步改进，首先构造面向终端能源互联网及区域能源互联网系统的概率场景模型，在场景分割的基础上对不同场景分别进行线性化随机潮流计算，同时工业和居民控制系统用电电量需求及时间范围、分布式能源控制系统预测日出力曲线，在此基础上，加入支路潮流、节点电压、传输功率、网络拓扑等约束条件，实现控制态势感知；运用多目标分层控制算法加快多目标收敛速度，减少能源互联网电能管理的随机性导致的不可行方案，提出综合能源多能互补协调优化控制技术，完成全局优化自治控制策略，研制综合能源电能管理协同优化控制装置。
作为本发明的进一步改进，使用电力系统仿真软件，搭建了一个包含火力发电锅炉协调控制系统、汽机协调控制系统、储能系统或抽水蓄能和负荷系统的源/网/荷电力系统模型，针对标准化综合能源协调控制技术开始研究，开展针对特高压电网运行情况下的大容量机组协调优化控制技术和一次调频技术路线，开展网源协调控制性能在线硬件闭环仿真技术开发，按照火力发电锅炉系统、汽机系统、储能系统和负荷系统的整体系统架构及参数，使用混合逻辑动态规划法或者智能方法对该数字化源/网/荷模型及综合能源能量协调控制优化控制技术进行仿真。
与现有技术相比，本发明所取得的有益效果如下：
本发明提出了高密度异质能源通用型增强激励高精度辨识外特性建模方法，通过异质能源现场数据与仿真数据对比分析，实现了多时间尺度、多控制层、多控制平台之间的融合，开发了多层融合、跨平台异质能源耦合的电/磁/机/热分块计算和分区并行动模实验系统；进而提出源网荷电力系统复杂网络理论及可视化数据挖掘算法，追踪度量数据中持续的变化，通过时序分析对异常进行排序，追踪度量数据中依赖项之间的变化趋势，锁定综合能源互联网中设备、控制以及用能网络等的异常，提供控制评价优化及能效评价优化决策支持，预期解决网源荷综合能源广域态势感知理论难题，进而实现传统火电/燃气、新能源发电能力预测。提出基于泛在态势感知的源网荷态势感知方法及模型系统。开发一种大规模多能互补综合能源电力复杂网络中的网源荷模型系统，展示模型算法处理结果，并且将可视化后的认知反馈到模型设计和知识发现过程，实现基于“机理模型+数据驱动”态势感知技术及模型系统；提出一种自抗扰+离线建模修正信号的边缘计算节点实现算法。
附图说明
附图1是本发明的架构原理图；
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，基于观测器的状态诊断方法和基于态势感知的源网荷分布式自趋优控制方法实现。
进一步的，所述基于观测器态势感知的状态诊断方法包括：
(1)面向区域能源互联网的多时间尺度电能管理控制架构建模，针对分布式能源渗透率较高的特点，考虑分布式多类型能源与工业、居民负荷的外特性功能模型，同时考虑含输电线路模型、天然气网络模型、微电网电力电子模型和工业、居民负荷模型在内的综合能源互联网模型，分析相关模型对能源互联网的系统稳定性的影响；
首先，结合传统燃煤火力发电机组协调控制系统的频率特性和电力系统负荷特性，系统地分析电网调频仿真模型中的区域等效方法，构建常规电力系统调频的区域等效模型；研究控制通信网络架构和协调控制系统异质、分散的特点，构建含可再生能源补充的火力发电的本地控制通信设备的环网通信架构模型，完成数据监控、经济调度计划、潮流分析、频率和电压的稳定、自我的发电计划、实时监测功能的基础理论验证；互联电力系统的一次、二次调频控制环中的供需平衡均由发电机、负荷和联络线交换功率三部分组成；构建发电机组一次、二次调频控制所需的频率响应模型的关键是调速系统及原动机的建模；火电机组在调速系统和原动机的结构上具有一次调频、二次调频控制环；并对系统的负荷以及控制区域之间的联络线进行考虑；将机组、负荷、联络线以及一次、二次调频控制环分别建模，按照其实际电力系统中的结构关系组合得到电力系统的调频动态模型；
其次，针对燃气轮机、光伏、风电等分布式能源、需求侧响应等渗透率较高的特点，考虑分布式能源与负荷的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对区域能源互联网系统稳定性的影响。
(2)对第一对象建立可扩张观测器，将所述第一对象的信息分为用于建立控制模型基础的第一线性部分以及包含模型变化部分和扰动的第一非线性部分；
基于所述第一线性部分，以线性滤波器或者传递函数辨识方式，建立第一系统模型，复制所述第一系统模型，并使用逆控制建模的方法建立所述第一对象的第一线性部分的逆模型；
将所述第一非线性部分作为信息驱动源，以线性滤波器或传递函数或神经网络辨识方式，对所述第一系统模型进行复制，使用逆控制建模的方法进行逆模型建立，作为扰动消除建模的模型；
将可扩张状态作为建模信号，作为对象复制模型进行离线逆建模，确定扰动消除的逆模型；
基于自适应逆原理，将线性部分的建模复制，与实际信号对象并联，实际输出的信号差值线性部分的建模复制器的输出的差值作为扰动消除的输入，利用所述扰动消除的逆模型，作为扰动消除器，反馈至信号的输入端；
将可扩张状态作为信号对象的本身特性的变化扰动以及外来扰动的总和，与扰动消除器的输出进行比较，将所述总和与所述扰动消除器的输出的差值作为扰动消除的修正，并设置死区，用于消除波动；
对信号输入端，增加过渡微分信号，使信号平滑；
(3)对各系统进行关联度分析，关联度所指的就是不同因素或不同对象之间的关联程度，一个因素或对象可用一个过程曲线形象表征，则曲线几何形状的相似性和空间位置的相近性作为衡量它们所代表对象之间的关联度的指标；
本方法，去寻求系统中各子系统或因素之间的数值关系，对于一个系统和不同系统发展变化态势提供了量化的度量，开展动态历程分析，其具体实施步骤如下：
1)确定反映系统行为特征的参考数列和影响系统行为的比较数列
反映系统行为特征的数据序列，称为参考数列，影响系统行为的因素组成的数据序列，称比较数列；
2)对参考数列和比较数列进行无量纲化处理
由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论，因此在进行关联度分析时，进行无量纲化的数据处理；
3)求参考数列与比较数列的关联系数
所谓关联程度，实质上是曲线间几何形状的差别程度；因此曲线间差值大小，可作为关联程度的衡量尺度；对于一个参考数列X0有若干个比较数列X1,X2,…,Xn，各比较数列与参考数列在各个时刻，即曲线中的各点的关联系数ξ0i可由下列公式算出：
式中，ρ为分辨系数，一般在0～1之间；Δ0i(κ)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值，Δ(min)是第二级最小差，Δ(max)是两级最大差；
4)求关联度ri
因为关联系数是比较数列与参考数列在各个时刻，即曲线中的各点的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较；因此将各个时刻，即曲线中的各点的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度ri计算公式如下：
ri为比较数列Xi对参考数列X0的关联度，或称为序列关联度、平均关联度、线关联度；ri值越接近1，说明相关性越好；
5)关联度排序
因素间的关联程度，是用关联度的大小次序描述，将m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联序，记为{x}，它反映了对于母序列来说各子序列的优劣关系；若r0i＞r0j，则称{xi}对于同一母序列{x0}优于{xj}，记为{xi}＞{xj}；r0i表示第i个子序列对母数列特征值；
将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象自身的状态估计和对象与对象之间的影响程度；
上述即为基于观测器的状态估计和诊断方法。
进一步的，基于态势感知的源网荷分布式控制方法的过程如下：
假设区域能源互联网内各个可控节点是相互独立、平等的；一致性算法的拓扑结构中没有可以收集总信息的节点，即不存在领导者，可控节点通过局部供需功率不匹配估计值相互迭代更新达到全局一致的目标，一致性算法如下
式中PDi——局部估计供需功率不匹配；
PGi——第i个节点的输出功率；
式中，PDi——局部估计供需功率不匹配；
PGi——第i个节点的输出功率；
PLi——第i个节点的的输入功率
P′Di—迭代更新的局部估计供需功率不匹配值；
i、j——计算过程中的节点；
t——计算时序；
d，c，λ、γ、ε、β—可调节系数；
通讯系数，即CANLMN表示为：
增量成本初始值为：
采用分布式一致性算法分布式控制步骤：
(1)通过ESO观测器将实测信号分解成线性信号和扰动信号两部分，其中线性信号可以辨识得到传递函数模型，通过鲁棒性算法计算系统鲁棒性能，同时通过时序分析对异常进行排序，追踪度量数据中依赖项之间的变化趋势，锁定综合能源互联网中设备、控制以及用能网络等的异常；数据驱动建模的态势感知，收集包括居民用电数据、采暖数据、热点事件及气象数据历史数据，并拟合各个因素和用电侧需求负荷的目标函数；针对被控对象或者设备，建立面向对象的信息融合数据模型；针对面向对象的信息融合数据模型，确定正常状态下的正常数据波动区间；采用在线辨识建模或者大数据模型，实时或者离线判断被控对象或者设备当前数据波动区间与正常数据波动区间的偏离程度；
(1)基于上述机理模型+数据驱动模型，建立组成区域能源互联网内各个可控节点的成本模型，计算各个可控节点的初始t＝0增量成本；
(2)确定区域能源互联网的通讯拓扑结构，计算通讯系数；
(3)根据实际区域能源互联网分布式协调优化控制，确立含有约束的目标函数；
(4)各个可控节点采集自身及与其相连的所有各个可控节点当前时刻t＝k输出功率，计算该可控节点局部供需功率不匹配值，从而得到下一时刻t＝k+1的增量成本，带入增量成本公式，继而求出下一时刻该可控节点的功率参考值；
(5)经过多个控制周期后，所有分布式可控节点达到增量成本一致目标，得到当前经济最优结果。
进一步的，所述区域能源互联网内多时间尺度经济优化与智能协调调控能量管理算法研究与验证过程如下：
系统的建模和约束，多智能体微电网系统组成部分包括：1)储能单元；2)DGs，可控的分布式发电单元；3)不可控的可再生能源发电设备；4)关键负荷和可控负荷，当需要时可以切除；
完整的多智能体微电网优化运行规划问题包含储能的建模，需求侧对可控负荷的管理和与大电网的功率交换，多智能体微电网系统的模型存在连续和离散的决策变量，具有复杂性，对各组成单元建模有新的要求，首先针对各发电单元、负荷、储能和与大电网功率交换行为，以保证问题的可控和适合实时计算为目标进行建模。
进一步的，所述系统的建模包括负荷成本模型构建，具体过程如下：
在多智能体微电网内柴油发电机备用容量有限的情况下，为了提高多智能体微电网运行的经济性，将负荷分关键性负荷和可控负荷两类，多智能体微电网要时刻保证对关键负荷的可靠供电；
在需求侧管理中，用户指定可控负荷的削减水平，可控负荷具有一定的优先级，但在必要或紧急情况下可以灵活降低负荷水平，引入与负荷削减相关的特定的惩罚成本，定义一个与可控负荷c在每个采样时间k相关的连续变量0≤β(k)≤1，这个变量表示为满足多智能体微电网经济和稳定运行要求可控负荷需求功率在时间k的削减百分比，负荷的成本函数可以表示为：
式中Nc为可控负荷个数，ρc为每个可控负荷的削减惩罚系数，Lc h(k)为可控负荷在k时刻的负荷需求值。
进一步的，所述系统的建模包括储能系统模型构建，具体过程如下：
由于不可再生能源发电的间歇性和电网中的潮流波动，在多智能体微电网中加入储能设备来提高系统能量供给的可靠性和稳定性；针对储能单元，定义SOC(k)为k时刻的储能水平，Pbat(k)为在时刻k储能设备与外界交换的功率值，储能单元的离散时间模型表达如下：
SOCb(k+1)＝SOCb(k)+ηPbat(k) (6-2)
式中若Pbat(k)>0，表示向储能设备充电，为充电模式，则η＝ηch；当Pbat(k)≤0，表示储能设备放电，为放电模式，η＝1/ηdis。ηch,ηdis为考虑损耗的充放电效率(0<ηch,ηdis<1)；引入逻辑变量δb(k)及辅助变量zb(k)＝δb(k)Pbat(k)，使用混合逻辑动态建模，将蓄电池动态非线性模型转换为线性模型；
上述充放电的逻辑状态表达为混合整数的线性不等式，通过整理这些不等式将储能系统的动态模型和约束改写成以下的简写形式：
SOCb(k+1)＝SOCb(k)+(ηch-1/ηdis)zb(k)+1/ηdisPbat(k) (6-5)
对应于混合逻辑建模，此处m＝Pmin bat,M＝Pmax bat,f(k)＝Pbat(k),δ＝δb(k)对于储能系统的混合整数不等式约束为：
同时为了保证在每一时刻k电能生产和消耗的平衡，必须满足多智能体微电网内的功率平衡约束：
Pi(k)是可控发电单元发电功率，Pres(k)为风机发电功率，Pgrid(k)表示多智能体微电网系统与大电网交换功率，Lj(k)为关键负荷，Lc h(k),βh(k)为可控负荷及其对应的削减百分比。
进一步的，所述储能单元采用能量型储能元件，其出力遵循多智能体微电网能量管理系统下达的调度指令，将电池的衰退模型化为薄膜生长，即由于因子υ提高了电池内阻，表达式为
其取决于电池电流和一系列电池自身参数，同时研究表明高温与大电流也会影响电池的循环寿命；
因此，在成本函数中引入与电池衰退因素相关的二项式，使成本函数不仅取决于使用寿命并且量化退影响惩罚电池高功率的充放电，储能系统成本函数表达为：
式中，CCbat为蓄电池建设成本，Ncycles为循环使用次数，Adegr,ch,Adegr,dis分别为充电下的衰退系数。将之前的电池充放电状态表示成分段函数：
将其转换为MLD约束形式用如下不等式表示：
进一步的，所述系统的建模包括并网下与大电网功率交换模型构建，具体过程如下：
当并网运行时，多智能体微电网可以选择从大电网买卖电能；同样使用混合逻辑建模，引入二进制变量δg(k)和辅助变量Jgrid(k)对从大电网买电或向大电网卖电的情况进行建模，逻辑语句描述为：
同样的可以将逻辑判断转换为混合整数线性不等式，多智能体微电网买卖电能的行为表达如下：
式中，
为多智能体微电网与大电网在PCC点功率潮流的最大值，Гpur(k),Гsale(k)为在k时刻的时变的买卖电价，
在此处只有在并网运行时，多智能体微电网与大电网进行功率交换。
进一步的，所述系统的建模包括可控发电微源模型构建，具体过程如下：多智能体微电网中包含柴油发电机的可控的发电单元，系统中还依靠储能设备作为调节单元，柴油发电机与储能设备优化配合，保证储能设备的SOC维持在正常范围内；因此，多智能体微电网的能量管理优化柴油发电机的开停机计划，合理安排储能装置的充放电；
为限制发电机组的频繁启停机操作，设置最小启停时间约束，不需要引入额外的变量，在每一个采样时间k，可控发电单元运行约束表述为以下的混合整数线性不等式：
式中i＝1,…,Ng,
在k时刻第i个发电单元，δi(k-1)＝0表示发电单元在之前的采样时间处于关断状态，如果在k时刻启动电机，即δi(k)＝1，由上式约束条件可知，对应发电单元开关状态的最优的二进制变量在接下来的
采样时段内将等于1，即如果Tup i＝3，则约束变为
为了满足约束，上式中不等式右侧值为1；
在此基础上，考虑到发电机组的启停成本，针对发电单元建模，引入两个辅助变量
分别表示第i个可控发电单元在k时刻的启动和关停成本，辅助变量需满足以下约束条件：
进一步的，所述区域能源互联网内多时间尺度经济优化与智能协调调控能量管理的拓扑结构包括：1)可再生能源，以光伏发电和风力发电为主的清洁能源；2)可控微源，以传统的柴油机、微型燃气轮机为主的可控发电微源；3)储能设备，以蓄电池为主的储能设备引入用于削峰填谷，平滑新能源随机性扰动：4)智能用户，以电动车为主的即插即用型用户，带有测量与反馈信息系统，主动参与多智能体微电网的运行：5)上层中央控制器，协调储能设备的充放电时间、充放电量，可控微源的发电量和对下层控制器的功率输出；6)下层本地控制器，对智能用户需求的采集并实现实时供需平衡优化控制。
如图1所示，所述区域能源互联网内多时间尺度经济优化与智能协调调控能量管理的拓扑结构包括：1)可再生能源，以光伏发电和风力发电为主的清洁能源；2)可控微源，以传统的柴油机、微型燃气轮机为主的可控发电微源；3)储能设备，以蓄电池为主的储能设备引入用于削峰填谷，平滑新能源随机性扰动：4)智能用户，以电动车为主的即插即用型用户，带有测量与反馈信息系统，主动参与多智能体微电网的运行：5)上层中央控制器，协调储能设备的充放电时间、充放电量，可控微源的发电量和对下层控制器的功率输出；6)下层本地控制器，对智能用户需求的采集并实现实时供需平衡优化控制。
式中Erenew(k)为可再生能源预测值，ΔEcon(k)为可控发电单元输出功率，Es(k)为多智能体微电网在当前时刻富余能量，Eref(k)为中央控制器收集到的用户负荷预测值，Ereq(k)为中央控制器下发给本地控制的功率，Erefj(k)为本地控制器采集的各组用户负荷需求信息，Ereqj(k)为本地控制器对各组负荷的调节功率，ΔPj(k)为本地控制器采用延时或提前供电对用户的影响。
由于可再生能源的间歇性和智能负荷的多样性，分别建立慢时间尺度和快时间尺度两层优化问题。上层的中央控制器是以小时为采样周期的MPC控制器，协调控制各模块的工作，根据一天24h内可再生能源的预测值、储能设备的状态及其本地控制器收集的用户负荷预测值，优化储能设备的充放电时间、充放电量、可控发电单元供电功率以及对本地控制器需求电能的调节作用，实现长期内的全局经济最优和最合理的能量调度。
同时由于底层智能用户的庞大数量和需求的时变性，为了应对运行参数的频繁变化对全局优化策略带来的干扰，应避免用户和中央控制器的直接相连，所以加入下层本地控制器通过区域自治控制策略分别控制一定量的负荷，减小负荷波动性对中央处理器造成的压力，实现对负荷的分散管理。下层本地控制器是以分钟为采样周期的MPC控制器，控制管理N个即插即用的智能用户CNj i，i＝1,…,N其中M≤N，将用户负荷的需求信息实时反馈到中央控制器，并接收来自中央控制器下发的功率调度指令，通过对用户负荷需求的实时优化，使多智能体微电网能在短时间尺度内对于小幅度的负荷及间歇式功率波动做出实时响应，以修正实际负荷与预测负荷值的偏差，缓解功率波动，增强系统运行的鲁棒性。
上层慢时间尺度优化问题
在每一个采样时刻k本地控制器采集当前时刻各组智能用户的用电信息预测值Erefj(k)，并上传给中央控制器。根据用户负荷需求，中央控制器通过模型预测控制算法求解当前时刻最优控制率，协调可再生能源、可控发电单元和储能设备的输出，向负荷提供电能，多智能体微电网内部功率平衡的动态特性可描述为：
Es(k)＝Erenew(k)+ΔEcon-Ereq(k) (6-20)
针对负荷侧的扰动问题，对智能用户引入一种提前或延时用电的能量调度策略来鼓励用户负荷低峰积极用电、高峰减少用电，从而实现对用户端扰动的削减和平滑。因此分配给智能用户的实际电量为：
Ereqj(k)＝Erefj(k)+ap,jΔPj(k) (6-23)
ΔPj,min(k)≤ΔPj(k)≤ΔPj,max(k) (6-24)
式中，ap,j为中央控制器对本地控制器Aj功率调度的调节系数，λj为本地控制器Aj在总负荷需求中所占的比例。
另一方面，储能系统的动态特性可以描述为：
[Socref-Soc(k+1)]＝a[Socref-Soc(k)]+ηEs(k) (6-25)
SOCmin≤SOC(k)≤SOCmax (6-26)
式中，SOC(k)为k时刻储能设备的剩余容量状态，储能系统的物理损耗系数a∈(0,1)。η为储能设备的充放电效率，ηc为充电效率、ηd为放电效率，它们之间满足如下关系：
储能的充放电过程可以看作是一个同时包含连续变量和离散变量的动态过程，通过第一章提到的混合逻辑动态建模方法将逻辑命题转换为线性不等式[34]，引入二进制变量δ(k)表示储能在当前时刻的充放电状态，引入辅助变量Z(k)＝δ(k)Es(k)表示当前时刻充放电的电量，则储能设备的动态特性变为：
[Socref-Soc(k+1)]＝a[Socref-Soc(k)]+(ηc-ηd)Z(k)+ηdEs(k) (6-28)
满足以下线性不等式约束条件：
E1δ(k)+E2Z(k)≤E3Es(k)+E4 (6-29)
式中：
E1＝[SOCref-(SOCref+ε)SOCref SOCref-SOCref-SOCref]T
E2＝[0 0 1-1 1-1]T E3＝[1-1 1-1 0 0]T
E4＝[SOCref-εSOCref SOCref 0 0]T
选取状态变量x(k)＝Socref-Soc(k)
并记
b＝ηc-ηd，c＝ηd，Ps是预测时域长度，ls＝1,…,Ps,则(6-28)可重新表述为：
从而可以写出系统预测模型：
式中，
X(k+1)＝[x(k+1|k)x(k+2|k)…x(k+Ps|k)]T
中央控制器基于本地控制器Aj实时上传的用户负荷需求信息Eref(k)，调节可控发电单元的输出功率ΔEcon(k)、储能的充放电时间δ(k)充放电电量Z(k)以及对本地控制器的功率调度ΔPj(k)。为了实现最优的能量调度和经济运行，往往期望控制输出接近给定的参考输入，并且希望控制动作的变化不要太大，所以上层慢时间尺度的优化问题的目标函数表达如下：
式中,ε∈(0,1),T0和Ts分别是控制器釆样的起始时刻和采样的时间长度，矩阵R1,R2,R3,R4和Qj是系统的加权矩阵。通过混合整数二次规划方法求解上述带约束的优化问题，获得MPC控制器输出的决策变量U(k)
根据滚动时域策略，将求解的当前时刻的最优控制律U*(k)下发给下层的本地控制器，在下一个采样周期，根据新的用户负荷预测、可再生能源发电预测和储能状态信息等重新求解优化问题。
下层快时间尺度优化问题
通过上层慢时间尺度优化我们得到了中央控制器在每一个慢采样周期内对本地控制器Aj的调度信息ΔP*j(k)，从而可以计算出中央控制器分配给本地控制器Aj的实际能量：
本地控制器的采样周期为分钟级远小于中央控制器小时级的采样周期，所以可以认为在每一个慢速采样周期内不同的快速采样时刻t，集中控制器下发的控制命令保持不变。在每一个快速釆样时刻t，每个智能用户负荷的实际需求Ereqi(t)为：
Ereqi(t)＝Erefi(t)+ap,iΔPi(t),i＝1,…,N (6-35)
ΔPi,min≤ΔPi(t)≤ΔPi,max
且每个本地控制器Aj需要满足以下约束条件：
式中，λi是用户需求用电Ereqi(t)占集合器Aj总能量需求Ereqj(t)的百分比。在预测时域内，每个智能用户i,i＝1,…,N的负荷预测值为
Ereqi(t+lf|t)＝Erefi(t+lf|t)+ap,iΔPi(t+lf|t) (6-37)
并满足如下约束条件：
ΔPi,min≤ΔPi(t+lf|t)≤ΔPi,max,lf＝1,...,Pf (6-38)
根据中央控制器每小时内实际分配给本地控制器Aj的能量Ereq*j(t)，本地控制器在满足约束条件下，在快速采样时间内通过MPC控制器优化对用户负荷的分配功率ΔPi(t)，保证对用户负荷时变需求的实时供应，实现短期内对负荷供求误差的最小化和能量的优化利用。本地控制器Aj的下层快时间尺度的优化问题的目标函数为：
式中
T0为采样的起始时刻，Tf是采样的时间长度，Pf为快时间尺度优化的预测时域长度，lf＝1,…,Pf,Qi和Ri是权重矩阵。通过求解上述带约束的二次规划优化问题可以得到本地控制器Aj对各智能用户需求能量的实时优化分配功率
i＝1,…,N。
下面给出含智能用户的多时间尺度预测控制算法的流程图：
步骤1:在当前采样时刻k，本地控制器Aj,j＝1,…,M采集各组智能用户的在未来一段时间内负荷需求预测值Erefj(k),j＝1,…,M并通过通信上传给中央控制器；
步骤2:上层的中央控制器获取k时刻储能设备的SOC(k)和可再生能源信息Erenew(k)，在满足供需平衡、物理设备容量和可控发电单元功率变化等约束条件下，求解上层慢时间尺度的优化问题(6-32)，求得当前时刻最优可控发电单元输出功率、储能的充放电时间和充放电量，并将求得的对智能用户负荷的调控功率ΔP*j(k)下发给下层的本地控制器Aj
步骤3:基于上层中央控制器优化求解出的k时刻的优化分配信息
和ΔP*j(k)，本地控制器Aj在快釆样时刻t＝k+Lf,Lf＝0,…,(Ts/Tf)-1分别求解下层快时间尺度的优化问题(6-20)，得到对用户负荷需求的优化分配
和ΔP*i(t)。
步骤4:在下一个采样时刻k令k＝k+1，并返回步骤1，重复以上步骤。
本实施例提供的一种基于广域态势感知的综合能源能效评价与控制性能优化方法，该方法包括基于机理模型与数据驱动结合的源网源荷广域态势感知方法、基于态势感知的边缘节点计算方法以及综合能源能效与控制性能评价方法；
基于源网源荷广域态势感知方法和边缘节点计算方法对综合能源能效与控制性能评价方法提供支持。
如图1所示，所述基于机理模型与数据驱动结合的源网源荷广域态势感知方法包括：
面向能源互联网的多时间尺度电能管理控制架构建模，针对分布式能源渗透率较高的特点，考虑分布式多类型能源与工业、居民负荷的外特性功能模型，同时考虑含输电线路模型、天然气网络模型、微电网电力电子模型和工业、居民负荷模型在内的综合能源互联网模型，分析相关模型对能源互联网的系统稳定性的影响；提出源网荷电力系统复杂网络中高阶组织挖掘的理论及方法研究，建立态势感知模型，定位综合能源互联网中设备、控制以及用能网络等的异常，提供控制评价优化及能效评价优化决策支持，进而实现传统火电/燃气、新能源发电能力预测。
综合能源系统中火力发电系统和燃气轮机机组的关联建模、可控性及量化分析，提出燃气轮机综合能源微电网参与火力发电网源协调控制调频控制架构建模并分析其影响，以及智能微电网参与火力发电网源协调预测控制算法研究与验证；
数据驱动建模的态势感知，收集包括居民用电数据、采暖数据、热点事件及气象数据历史数据，并拟合各个因素和用电侧需求负荷的目标函数；针对被控对象或者设备，建立面向对象的信息融合数据模型；针对面向对象的信息融合数据模型，确定正常状态下的正常数据波动区间；采用在线辨识建模或者大数据模型，实时或者离线判断被控对象或者设备当前数据波动区间与正常数据波动区间的偏离程度，即为态势感知。
燃气轮机等综合能源微电网参与火力发电网源协调控制调频控制架构建模并分析其影响的过程如下：首先，结合传统燃煤火力发电机组协调控制系统的频率特性和电力系统负荷特性，系统地分析电网调频仿真模型中的区域等效方法，构建常规电力系统调频的区域等效模型；研究控制通信网络架构和协调控制系统异质、分散的特点，构建含可再生能源补充的火力发电的本地控制通信设备的环网通信架构模型，完成数据监控、经济调度计划、潮流分析、频率和电压的稳定、自我的发电计划、实时监测功能的基础理论验证；互联电力系统的一次、二次调频控制环中的供需平衡均由发电机、负荷和联络线交换功率三部分组成；构建发电机组一次、二次调频控制所需的频率响应模型的关键是调速系统及原动机的建模；火电机组在调速系统和原动机的结构上具有一次调频、二次调频控制环；除此之外，还需要对系统的负荷以及控制区域之间的联络线进行考虑；将机组、负荷、联络线以及一次、二次调频控制环分别建模，按照其实际电力系统中的结构关系组合便可以得到电力系统的调频动态模型；
其次，针对燃气轮机、光伏、风电等分布式能源、需求侧响应等渗透率较高的特点，考虑分布式能源与负荷的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对自趋优配电网的系统稳定性的影响。
电力系统运行时，对频率和联络线交换功率偏差的控制主要由二次调频完成。在燃气轮机等综合能源微电网与调频情况下，合理协调各调频电源以控制和调节各发电机与含可再生能源智能微电网的输出功率使系统频率达到电网要求。使用燃气轮机等综合能源微电网参与一次调频的策略：和变频率调节效应系数策略两种方法。
固定频率调节效应系数的确定方法：电网中的一次调频是利用系统固有的负荷频率特性及发电机组的调速器作用来阻止系统频率偏离标准的调节方式。因此，含可再生能源智能微电网可通过模仿发电机组根据频率偏差和频率调节效应系数调整自身出力的方式参与电网一次调频。即燃气轮机等综合能源微电网电流增量Δib与一次调频控制信号Δf的关系有如下式所示：
其中，Kb和Rb分别为电池储能电源的频率调节效应系数(或单位调节电流)和静态下垂系数(或调差系数)。
变频率调节效应系数策略：若燃气轮机等综合能源微电网有大量的能量富余，如此时电网频率下降，在不超过燃气轮机等综合能源微电网额定功率的前提下，微电网的频率调节效应系数应该选择比传统方法所确定更大的值；如电网频率高于50Hz，从保护微电网的角度出发，应该选择让微电网以某一合理的频率调节效应系数进行小电流放电。这样有利于微电网的能量管理，同时也能尽可能小地影响电网调频。
作为本发明的进一步改进，所述智能微电网参与火力发电网源协调预测控制算法研究与验证过程如下：提出智能微电网参与火力发电网源协调预测控制体系，该体系为分层分布式框架结构，包括上层的区域协调控制器及下层本地调频控制器；在区域协调控制器中引入，以互联电力系统和电池储能电源的系统动态模型为基础，通过建立电池储能电源、调频控制输入量与频率及联络线功率预测量的关系，构造以输出误差与控制增量加权为目标函数，以火电机组、微电网、联络线调节能力为约束条件的优化模型；而各区域的本地调频控制器接受上层控制器的指令，即能对系统的频率及联络线功率偏差进行校正。
该协调控制器的任务主要有以下三大部分：
(1)监测状态
区域协调控制器接收各区域监测到的系统实时状态信息，包括区域间联络线交换功率偏移、各区域发电机输出功率变化、各区域电池储能电源输出功率变化、电池储能电源放电深度、各区域负荷功率变化、各区域系统频率偏差等。
(2)预测未来
区域协调控制器在系统动态模型的基础上预测未来的动态轨迹，并建立控制量与预测量关系，为最优策略奠定基础。
(3)最优控制决策
在第(2)步结果的基础上，区域协调控制器根据设定的目标函数及各调频装置的约束进行求解。将预测值与实际值做比较之后，可以得出误差，从而进一步校正预测模型。
系统预测控制的对应的状态方程，基本形式如公式：
y(t)＝Cx(t)+Dvv(t)+Ddd(t)
其中，x(t)为系统的状态变量；u(t)为控制输入量；v(t)为可测量的扰动量；d(t)为不可测量的扰动量；y(t)为系统的输出量；A、Bu、Bv、Bd、C、D、Dd为系统各量所对应的系数矩阵。提出含燃气轮机等综合能源补充的火力发电系统的关联建模、可控性及量化分析是实现含燃气轮机等综合能源补充的火力发电系统协调控制运行的基础，主要创新成果包括:针对火力发电在研究常规电网及传统火力发电调频电源的一、二次调频机理和性能特点的基础上，基于区域等效方法，对传统的频率响应模型进行研究。基于实际网源协调(CCS)数据进行大量仿真，总结分析常规电网及传统火力发电的调频缺陷及需求；在对可再生能源组成的智能电网系统的结构、工作原理及其自身限制因素进行深刻理解的基础上，提取其在调频应用中的主导特性参数和模型。同时针对火力发电和未来具有分布式新能源融合的特点，考虑可调度微源(柴油发电机等)、储能设备以及弹性负荷(电动汽车等)的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对电力系统稳定性的影响。提出可再生能源接入火力发电在正常状态(并网运行和脱网独立运行)和紧急状态(电压偏移和频率偏移)等不同工况下的机、电、磁动态特性；在并网、离网、故障运行时的特性描述方法；考虑负荷特性匹配的综合能源和火力发电的优化控制方法。
实现综合能源参与火力发电网源协调控制调频控制技术是实现含燃气轮机等综合能源微电网补充的火力发电系统全局优化控制的支撑，主要的创新成果包括:基于火力发电系统和燃气轮机等综合能源微电网全局优化与区域内一次控制装置间的协同运行控制；火力发电系统和燃气轮机等综合能源微电网有功、无功功率控制及协同交互控制；考虑火力发电系统和燃气轮机等综合能源微电网作用下的无功优化调节。保证系统的电能质量，实现火力发电系统和燃气轮机等综合能源微电网控制的实时性、稳定性和鲁棒性。
作为本发明的进一步改进，态势感知具有异常检测及通过时序分析对异常进行排序功能。
所述异常检测流程如下：收集多个时间点的度量数据；捕捉不同的度量数据之间隐藏的相关性；追踪度量数据中持续的变化；定位电网中设备、网络等的异常，提供决策支持。
通过时序分析对异常进行排序流程如下：解析度量数据之间的成对依赖项；追踪度量数据中依赖项之间的变化趋势；锁定异常，实现态势感知，可以实现厂级调峰能力预测模块、发电机组设备状态预警及故障分析系统、热电联产机组调峰能力大数据分析模块等发电能力预测模块。
所述基于态势感知的边缘节点计算方法包括：
数据校验预处理方法
建立传递函数模型，并对所述传递函数进行性能精度校验，(基于授权专利“一种通用型增强激励仿真数据校验处理方法”，ZL201510883385.5)得到最优传递函数模型(基于授权专利“一种增强激励仿真遗传优化方法”ZL201510883621.3)；
根据控制原理，确定源网荷协调控制响应特性为响应时间；
通过ESO将实测信号分解成线性信号和扰动信号两部分，其中线性信号可以辨识得到传递函数模型，通过鲁棒性算法计算系统鲁棒性能，同时通过时序分析对异常进行排序，追踪度量数据中依赖项之间的变化趋势，锁定综合能源互联网中设备、控制以及用能网络等的异常；
骨干度时间序列挖掘算法
提出了一个新的指标骨干度，并对电力数据概念进行重新定义，提出电力数据森林这一网络概念的可视化模型；如果联系如同树枝和树的联系，那么这样一个群落可以被看作是一棵树，一个电力数据网络可以看作一个数据森林，这个网络所包涵的强区域可以看作是一个电力数据区域的森林，而其他弱数据区域则被看作是灌木丛；根据这一假设，我们赋予电力数据网络生物学的特性，即电力数据森林；
边缘计算节点态势感知实现方法
按照电力森林模型理论，任何一个数据结合都可以看做边缘节点，那么在这个节点上增加高性能计算模块或者服务器，利用边缘计算节点镜像，部署分布式计算网络；每个节点实现骨干度时间序列算法以及异常锁定算法，实时计算各个边缘节点数据集合的依赖度，当数据集合的依赖度超过了阙值，那么就认定该节点发生了态势的变化，即为态势感知发生。
骨干度时间序列挖掘算法过程如下：首先将网源荷综合能源电力数据森林模型内所有数据按联系程度关系划分，定义为重叠能源数据集合和非重叠能源数据集合，非重叠能源数据集合内数据之间有比网源荷综合能源电力数据森林模型内其他集合中数据节点更多更好地链接关系，所有数据节点之间的链接关系定义为边；
定义膨胀度为网源荷综合能源电力数据森林模型内所有指向外面的边，与电力数据森林模型内内部边的总数的最小的比值；
给定一个电力数据网络无向图G(V，E)，该图有|V|个顶点和|E|条边，给定一个节点列表NL来保存电力数据网络内V中的顶点，把当前数据集合记为Ci，Ci邻接的数据的集合是Ci，把Ci边界的集合记为
给定骨干列表BL来保存集合E中的骨干；
设一个集合G(V，E)，E为骨干度边界，目标集CF∈G；设定|NL|<＝|V|，BL中骨干度的边界为f，Ec_PRE定义为电力数据森林模型内的膨胀度，所有CF为骨干度目标集合，CF初始为空集，i＝0；BL按照降序排列。
作为本发明的进一步改进，首先构造面向终端能源互联网及区域能源互联网系统的概率场景模型，在场景分割的基础上对不同场景分别进行线性化随机潮流计算，同时工业和居民控制系统用电电量需求及时间范围、分布式能源控制系统预测日出力曲线，在此基础上，加入支路潮流、节点电压、传输功率、网络拓扑等约束条件，实现控制态势感知；运用多目标分层控制算法加快多目标收敛速度，减少能源互联网电能管理的随机性导致的不可行方案，提出综合能源多能互补协调优化控制技术，完成全局优化自治控制策略，研制综合能源电能管理协同优化控制装置。
进一步的，使用电力系统仿真软件，搭建了一个包含火力发电锅炉协调控制系统、汽机协调控制系统、储能系统或抽水蓄能和负荷系统的源/网/荷电力系统模型，针对标准化综合能源协调控制技术开始研究，开展针对特高压电网运行情况下的大容量机组协调优化控制技术和一次调频技术路线，开展网源协调控制性能在线硬件闭环仿真技术开发，按照火力发电锅炉系统、汽机系统、储能系统和负荷系统的整体系统架构及参数，使用混合逻辑动态规划法或者智能方法对该数字化源/网/荷模型及综合能源能量协调控制优化控制技术进行仿真，用于验证提高大电网稳定性的标准化综合能源协调控制技术研发管理仿真系统的可行性。
建立源/网/荷系统能量协调优化管理模型目标函数
在保证本地负荷供电基础上，以源/网/荷的运行费用最小为目标，其中包含从电网购电的费用，向电网售电所得的收益以及蓄电池的维护费用和折旧损耗。
式中，eSell(t)为电网实时购电电价；eBuy(t)为电网实时售电电价；ebat(t)为蓄电池的运行管理成本；PgBuy(t)为在第t时刻大电网吸收的电功率，符号取负；PgSell(t)为在第t时刻大电网发出的电功率，符号取正；Pbat(t)为在第t时刻蓄电池的有功功率；△t为系统运行时间间隔，取值为1小时；
目标函数中包含从电网购电的费用和向电网售电所得的收益，如何用Pg(t)表示正值时主网向源/网/荷输出功率，负值时输入功率，具体表示如下式所示。
式中，当Pg(t)为正值时，购电成本表示为eSell(t)·Pg(t)；当Pg(t)为负值时，售电成本表示为-eBuy(t)·Pg(t)。
本课题采用了基于滚动时域优化的预测控制构架，在t时刻，模型在滚动时域[t t+tp]内求解源/网/荷运行时从外电网消费费用最小的优化问题，通过计算[t t+tp]内的最优控制序列，使滚动时域内的目标函数最小。所以在上式的基础上，增加了滚动优化范围，优化以一小时为周期滚动，假设滚动范围的步长为tp，计算t到t+tp时间内的消费费用，作为新的目标函数，其表示为：
在新的目标函数下，滚动时域不但考虑当前一步，而且还要把未来一段时间内的系统运行状态也列入计算范围内，这样能使优化过程具有更好的优化效果。
具体步骤
本项目釆用在有限时域内滚动优化的思想，根据以上对模型和优化理论的描述，具体流程如下：
Step1：源/网/荷模型设置，包括锅炉模型、汽轮机、蓄电池模型、实时电价模型；参数初始化设置。
Step2：根据实际源/网/荷能量协调优化需求，确立有约束的经济最优目标函数。
Step3：在优化范围[t t+tp]区域内，求解一个有限时域内的极小化问题，每一次的滚动优化得到一个最优控制序列U(t)＝{u(t|t),…,u(t+tp-1|t)}，取出当前时刻下的第一步的控制变量u(t|t)，也就是第一步的Pg(t)和Pb(t)，作为电网与发电单元、负荷之间能量交换变量和蓄电池充放电能量变量。
Step4：优化时间域继续滚动t＝t+1，返回Step3。
Step5：依次计算，计算得到每个时间段的第一步的控制变量，实现滚动优化。
Step6：滚动优化结束后，计算出有限时域[t t+tn]内的最优结果，并输出。
Claims (10)
1.一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，基于观测器的状态诊断方法和基于态势感知的源网荷分布式自趋优控制方法实现。
2.根据权利要求1所述的一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述基于观测器态势感知的状态诊断方法包括：
(1)面向区域能源互联网的多时间尺度电能管理控制架构建模，针对分布式能源渗透率较高的特点，考虑分布式多类型能源与工业、居民负荷的外特性功能模型，同时考虑含输电线路模型、天然气网络模型、微电网电力电子模型和工业、居民负荷模型在内的综合能源互联网模型，分析相关模型对能源互联网的系统稳定性的影响；
首先，结合传统燃煤火力发电机组协调控制系统的频率特性和电力系统负荷特性，系统地分析电网调频仿真模型中的区域等效方法，构建常规电力系统调频的区域等效模型；研究控制通信网络架构和协调控制系统异质、分散的特点，构建含可再生能源补充的火力发电的本地控制通信设备的环网通信架构模型，完成数据监控、经济调度计划、潮流分析、频率和电压的稳定、自我的发电计划、实时监测功能的基础理论验证；互联电力系统的一次、二次调频控制环中的供需平衡均由发电机、负荷和联络线交换功率三部分组成；构建发电机组一次、二次调频控制所需的频率响应模型的关键是调速系统及原动机的建模；火电机组在调速系统和原动机的结构上具有一次调频、二次调频控制环；并对系统的负荷以及控制区域之间的联络线进行考虑；将机组、负荷、联络线以及一次、二次调频控制环分别建模，按照其实际电力系统中的结构关系组合得到电力系统的调频动态模型；
其次，针对燃气轮机、光伏、风电等分布式能源、需求侧响应等渗透率较高的特点，考虑分布式能源与负荷的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对区域能源互联网系统稳定性的影响。
(2)对第一对象建立可扩张观测器，将所述第一对象的信息分为用于建立控制模型基础的第一线性部分以及包含模型变化部分和扰动的第一非线性部分；
基于所述第一线性部分，以线性滤波器或者传递函数辨识方式，建立第一系统模型，复制所述第一系统模型，并使用逆控制建模的方法建立所述第一对象的第一线性部分的逆模型；
将所述第一非线性部分作为信息驱动源，以线性滤波器或传递函数或神经网络辨识方式，对所述第一系统模型进行复制，使用逆控制建模的方法进行逆模型建立，作为扰动消除建模的模型；
将可扩张状态作为建模信号，作为对象复制模型进行离线逆建模，确定扰动消除的逆模型；
基于自适应逆原理，将线性部分的建模复制，与实际信号对象并联，实际输出的信号差值线性部分的建模复制器的输出的差值作为扰动消除的输入，利用所述扰动消除的逆模型，作为扰动消除器，反馈至信号的输入端；
将可扩张状态作为信号对象的本身特性的变化扰动以及外来扰动的总和，与扰动消除器的输出进行比较，将所述总和与所述扰动消除器的输出的差值作为扰动消除的修正，并设置死区，用于消除波动；
对信号输入端，增加过渡微分信号，使信号平滑；
(3)对各系统进行关联度分析，关联度所指的就是不同因素或不同对象之间的关联程度，一个因素或对象可用一个过程曲线形象表征，则曲线几何形状的相似性和空间位置的相近性作为衡量它们所代表对象之间的关联度的指标；
本方法，去寻求系统中各子系统或因素之间的数值关系，对于一个系统和不同系统发展变化态势提供了量化的度量，开展动态历程分析，其具体实施步骤如下：
1)确定反映系统行为特征的参考数列和影响系统行为的比较数列
反映系统行为特征的数据序列，称为参考数列，影响系统行为的因素组成的数据序列，称比较数列；
2)对参考数列和比较数列进行无量纲化处理
由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论，因此在进行关联度分析时，进行无量纲化的数据处理；
3)求参考数列与比较数列的关联系数
所谓关联程度，实质上是曲线间几何形状的差别程度；因此曲线间差值大小，可作为关联程度的衡量尺度；对于一个参考数列X0有若干个比较数列X1,X2,…,Xn，各比较数列与参考数列在各个时刻，即曲线中的各点的关联系数ξ0i可由下列公式算出：
式中，ρ为分辨系数，一般在0～1之间；Δ0i(κ)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值，Δ(min)是第二级最小差，Δ(max)是两级最大差；
4)求关联度ri
因为关联系数是比较数列与参考数列在各个时刻，即曲线中的各点的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较；因此将各个时刻，即曲线中的各点的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度ri计算公式如下：
ri为比较数列Xi对参考数列X0的关联度，或称为序列关联度、平均关联度、线关联度；ri值越接近1，说明相关性越好；
5)关联度排序
因素间的关联程度，是用关联度的大小次序描述，将m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联序，记为{x}，它反映了对于母序列来说各子序列的优劣关系；若r0i＞r0j，则称{xi}对于同一母序列{x0}优于{xj}，记为{xi}＞{xj}；r0i表示第i个子序列对母数列特征值；
将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象自身的状态估计和对象与对象之间的影响程度；
上述即为基于观测器的状态估计和诊断方法。
3.根据权利要求1所述的广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于基于态势感知的源网荷分布式控制方法的过程如下：
假设区域能源互联网内各个可控节点是相互独立、平等的；一致性算法的拓扑结构中没有可以收集总信息的节点，即不存在领导者，可控节点通过局部供需功率不匹配估计值相互迭代更新达到全局一致的目标，一致性算法如下
P′Di[t]＝PDi[t]-(PGi[t+1]-PGi[t])
式中，PDi——局部估计供需功率不匹配；
PGi——第i个节点的输出功率；
PLi——第i个节点的的输入功率
P′Di—迭代更新的局部估计供需功率不匹配值；
i、j——计算过程中的节点；
t——计算时序；
d，c，λ、γ、ε、β—可调节系数；
CANLMN表示为：
增量成本初始值为：
采用分布式一致性算法分布式控制步骤：
(1)通过ESO观测器将实测信号分解成线性信号和扰动信号两部分，其中线性信号可以辨识得到传递函数模型，通过鲁棒性算法计算系统鲁棒性能，同时通过时序分析对异常进行排序，追踪度量数据中依赖项之间的变化趋势，锁定综合能源互联网中设备、控制以及用能网络等的异常；数据驱动建模的态势感知，收集包括居民用电数据、采暖数据、热点事件及气象数据历史数据，并拟合各个因素和用电侧需求负荷的目标函数；针对被控对象或者设备，建立面向对象的信息融合数据模型；针对面向对象的信息融合数据模型，确定正常状态下的正常数据波动区间；采用在线辨识建模或者大数据模型，实时或者离线判断被控对象或者设备当前数据波动区间与正常数据波动区间的偏离程度；
(1)基于上述机理模型+数据驱动模型，建立组成区域能源互联网内各个可控节点的成本模型，计算各个可控节点的初始t＝0增量成本；
(2)确定区域能源互联网的通讯拓扑结构，计算通讯系数；
(3)根据实际区域能源互联网分布式协调优化控制，确立含有约束的目标函数；
(4)各个可控节点采集自身及与其相连的所有各个可控节点当前时刻t＝k输出功率，计算该可控节点局部供需功率不匹配值，从而得到下一时刻t＝k+1的增量成本，带入增量成本公式，继而求出下一时刻该可控节点的功率参考值；
(5)经过多个控制周期后，所有分布式可控节点达到增量成本一致目标，得到当前经济最优结果。
4.根据权利要求3所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述区域能源互联网内多时间尺度经济优化与智能协调调控能量管理算法研究与验证过程如下：
系统的建模和约束，多智能体微电网系统组成部分包括：1)储能单元；2)DGs，可控的分布式发电单元；3)不可控的可再生能源发电设备；4)关键负荷和可控负荷，当需要时可以切除；
完整的多智能体微电网优化运行规划问题包含储能的建模，需求侧对可控负荷的管理和与大电网的功率交换，多智能体微电网系统的模型存在连续和离散的决策变量，具有复杂性，对各组成单元建模有新的要求，首先针对各发电单元、负荷、储能和与大电网功率交换行为，以保证问题的可控和适合实时计算为目标进行建模。
5.根据权利要求4所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述系统的建模包括负荷成本模型构建，具体过程如下：
在多智能体微电网内柴油发电机备用容量有限的情况下，为了提高多智能体微电网运行的经济性，将负荷分关键性负荷和可控负荷两类，多智能体微电网要时刻保证对关键负荷的可靠供电；
在需求侧管理中，用户指定可控负荷的削减水平，可控负荷具有一定的优先级，但在必要或紧急情况下可以灵活降低负荷水平，引入与负荷削减相关的特定的惩罚成本，定义一个与可控负荷c在每个采样时间k相关的连续变量0≤β(k)≤1，这个变量表示为满足多智能体微电网经济和稳定运行要求可控负荷需求功率在时间k的削减百分比，负荷的成本函数可以表示为：
式中Nc为可控负荷个数，ρc为每个可控负荷的削减惩罚系数，Lc h(k)为可控负荷在k时刻的负荷需求值。
6.根据权利要求4所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述系统的建模包括储能系统模型构建，具体过程如下：
由于不可再生能源发电的间歇性和电网中的潮流波动，在多智能体微电网中加入储能设备来提高系统能量供给的可靠性和稳定性；针对储能单元，定义SOC(k)为k时刻的储能水平，Pbat(k)为在时刻k储能设备与外界交换的功率值，储能单元的离散时间模型表达如下：
SOCb(k+1)＝SOCb(k)+ηPbat(k) (6-2)
式中若Pbat(k)>0，表示向储能设备充电，为充电模式，则η＝ηch；当Pbat(k)≤0，表示储能设备放电，为放电模式，η＝1/ηdis。ηch,ηdis为考虑损耗的充放电效率(0<ηch,ηdis<1)；引入逻辑变量δb(k)及辅助变量zb(k)＝δb(k)Pbat(k)，使用混合逻辑动态建模，将蓄电池动态非线性模型转换为线性模型；
上述充放电的逻辑状态表达为混合整数的线性不等式，通过整理这些不等式将储能系统的动态模型和约束改写成以下的简写形式：
SOCb(k+1)＝SOCb(k)+(ηch-1/ηdis)zb(k)+1/ηdisPbat(k) (6-5)
对应于混合逻辑建模，此处m＝Pmin bat,M＝Pmax bat,f(k)＝Pbat(k),δ＝δb(k)对于储能系统的混合整数不等式约束为：
同时为了保证在每一时刻k电能生产和消耗的平衡，必须满足多智能体微电网内的功率平衡约束：
Pi(k)是可控发电单元发电功率，Pres(k)为风机发电功率，Pgrid(k)表示多智能体微电网系统与大电网交换功率，Lj(k)为关键负荷，Lc h(k),βh(k)为可控负荷及其对应的削减百分比。
7.根据权利要求6所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，
所述储能单元采用能量型储能元件，其出力遵循多智能体微电网能量管理系统下达的调度指令，将电池的衰退模型化为薄膜生长，即由于因子υ提高了电池内阻，表达式为
其取决于电池电流和一系列电池自身参数，同时研究表明高温与大电流也会影响电池的循环寿命；
因此，在成本函数中引入与电池衰退因素相关的二项式，使成本函数不仅取决于使用寿命并且量化退影响惩罚电池高功率的充放电，储能系统成本函数表达为：
式中，CCbat为蓄电池建设成本，Ncycles为循环使用次数，Adegr,ch,Adegr,dis分别为充电下的衰退系数。将之前的电池充放电状态表示成分段函数：
将其转换为MLD约束形式用如下不等式表示：
8.根据权利要求4所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述系统的建模包括并网下与大电网功率交换模型构建，具体过程如下：
当并网运行时，多智能体微电网可以选择从大电网买卖电能；同样使用混合逻辑建模，引入二进制变量δg(k)和辅助变量Jgrid(k)对从大电网买电或向大电网卖电的情况进行建模，逻辑语句描述为：
同样的可以将逻辑判断转换为混合整数线性不等式，多智能体微电网买卖电能的行为表达如下：
式中，
为多智能体微电网与大电网在PCC点功率潮流的最大值，Гpur(k),Гsale(k)为在k时刻的时变的买卖电价，
在此处只有在并网运行时，多智能体微电网与大电网进行功率交换。
9.根据权利要求4所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述系统的建模包括可控发电微源模型构建，具体过程如下：多智能体微电网中包含柴油发电机的可控的发电单元，系统中还依靠储能设备作为调节单元，柴油发电机与储能设备优化配合，保证储能设备的SOC维持在正常范围内；因此，多智能体微电网的能量管理优化柴油发电机的开停机计划，合理安排储能装置的充放电；
为限制发电机组的频繁启停机操作，设置最小启停时间约束，不需要引入额外的变量，在每一个采样时间k，可控发电单元运行约束表述为以下的混合整数线性不等式：
式中i＝1,…,Ng,τ＝k+1,…,
在k时刻第i个发电单元，δi(k-1)＝0表示发电单元在之前的采样时间处于关断状态，如果在k时刻启动电机，即δi(k)＝1，由上式约束条件可知，对应发电单元开关状态的最优的二进制变量在接下来的
采样时段内将等于1，即如果Tup i＝3，则约束变为
为了满足约束，上式中不等式右侧值为1；
在此基础上，考虑到发电机组的启停成本，针对发电单元建模，引入两个辅助变量
分别表示第i个可控发电单元在k时刻的启动和关停成本，辅助变量需满足以下约束条件：
10.根据权利要求4所述的基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述区域能源互联网内多时间尺度经济优化与智能协调调控能量管理的拓扑结构包括：1)可再生能源，以光伏发电和风力发电为主的清洁能源；2)可控微源，以传统的柴油机、微型燃气轮机为主的可控发电微源；3)储能设备，以蓄电池为主的储能设备引入用于削峰填谷，平滑新能源随机性扰动：4)智能用户，以电动车为主的即插即用型用户，带有测量与反馈信息系统，主动参与多智能体微电网的运行：5)上层中央控制器，协调储能设备的充放电时间、充放电量，可控微源的发电量和对下层控制器的功率输出；6)下层本地控制器，对智能用户需求的采集并实现实时供需平衡优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111570291.4A CN114243727B (zh) | 2021-12-21 | 2021-12-21 | 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111570291.4A CN114243727B (zh) | 2021-12-21 | 2021-12-21 | 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114243727A true CN114243727A (zh) | 2022-03-25 |
| CN114243727B CN114243727B (zh) | 2024-08-06 |
Family
ID=80760184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111570291.4A Active CN114243727B (zh) | 2021-12-21 | 2021-12-21 | 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114243727B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114914942A (zh) * | 2022-05-19 | 2022-08-16 | 国网湖北省电力有限公司电力科学研究院 | 一种基于一致性算法的多形态分布式储能一次调频控制方法 |
| CN115001054A (zh) * | 2022-07-29 | 2022-09-02 | 东南大学溧阳研究院 | 一种基于模型预测含电动汽车的电力系统频率控制策略 |
| CN117526277A (zh) * | 2023-10-24 | 2024-02-06 | 中国长江三峡集团有限公司 | 一种电力系统的分层协调控制方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105865441A (zh) * | 2016-03-31 | 2016-08-17 | 北京航空航天大学 | 一种针对多源干扰系统的复合分层自适应滤波器 |
| CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
-
2021
- 2021-12-21 CN CN202111570291.4A patent/CN114243727B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105865441A (zh) * | 2016-03-31 | 2016-08-17 | 北京航空航天大学 | 一种针对多源干扰系统的复合分层自适应滤波器 |
| CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾璐;张锐峰;周佳明;徐维佳;: "基于源网荷互动的分布式能源消纳方法", 宁夏电力, no. 02, 28 April 2020 (2020-04-28) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114914942A (zh) * | 2022-05-19 | 2022-08-16 | 国网湖北省电力有限公司电力科学研究院 | 一种基于一致性算法的多形态分布式储能一次调频控制方法 |
| CN115001054A (zh) * | 2022-07-29 | 2022-09-02 | 东南大学溧阳研究院 | 一种基于模型预测含电动汽车的电力系统频率控制策略 |
| CN115001054B (zh) * | 2022-07-29 | 2022-11-01 | 东南大学溧阳研究院 | 一种基于模型预测含电动汽车的电力系统频率控制策略 |
| CN117526277A (zh) * | 2023-10-24 | 2024-02-06 | 中国长江三峡集团有限公司 | 一种电力系统的分层协调控制方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114243727B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110957758B (zh) | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 | |
| Yang et al. | Modelling and optimal energy management for battery energy storage systems in renewable energy systems: A review | |
| Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
| Glavic et al. | Reinforcement learning for electric power system decision and control: Past considerations and perspectives | |
| Radhakrishnan et al. | A multi-agent based distributed energy management scheme for smart grid applications | |
| CN114243727B (zh) | 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 | |
| Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
| CN110518580B (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
| Wakui et al. | Predictive management for energy supply networks using photovoltaics, heat pumps, and battery by two-stage stochastic programming and rule-based control | |
| Shotorbani et al. | Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid | |
| Nassourou et al. | Economic model predictive control for energy dispatch of a smart micro-grid system | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN112101987A (zh) | 一种多微网随机预测控制方法 | |
| Meydani et al. | Optimizing Microgrid Energy Management: Metaheuristic versus Conventional Techniques | |
| Li | Sizing and operation of multi-energy hydrogen-based microgrids | |
| Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
| Lu et al. | Advances in Model Predictive Control for Large-Scale Wind Power Integration in Power Systems: A Comprehensive Review | |
| Xi et al. | Q-learning algorithm based multi-agent coordinated control method for microgrids | |
| Nassereddine et al. | Review and Indication of Key Activities for Energy Management Improvement in DC Microgrids | |
| Yu et al. | A Two-stage Model Predictive Control Strategy for Economical Operation of Microgrid | |
| Kaczorowska et al. | Smart control of energy storage system in residential photovoltaic systems for economic and technical efficiency | |
| Juárez et al. | Optimal real-time scheduling of battery operation using reinforcement learning | |
| Qusef et al. | AN ENERGY MANAGEMENT SYSTEM USING OPTIMIZED HYBRID ARTIFICIAL NEURAL NETWORK FOR HYBRID ENERGY SYSTEM IN MICROGRID APPLICATIONS | |
| Zhuo | Control strategies for microgrids with renewable energy generation and battery energy storage systems | |
| Sharma et al. | Smart City: The Verticals of Energy Demand and Challenges |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |